현재의 직물(섬유) 인식 기법들은 제한된 적응성과 일반화 능력으로 인해 복잡한 실제 환경에서 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 본 논문은 훈련 및 테스트 데이터셋에 세 가지 서로 다른 증강(augmentation) 방법을 적용하는 혁신적인 데이터 처리 프레임워크를 제안한다. 이 접근은 다양한 조건에서 직물을 인식하는 모델의 능력을 향상시킨다. 또한 조기 신경 주의(Early Neural Attention, ENA)를 통합하여 초기 단계에서 필수 이미지 특징에 집중하도록 설계된 최적화된 MobileNetV3 모델을 제안한다. 더 나아가 기존 병목(bottleneck) 구조를 수정하고, ReLU 활성화 함수를 SELU로 대체하여 강건성 및 수렴 속도를 개선한다. 비교 실험을 통해 개선된 모델의 효과가 검증되었으며, 정확도, 정밀도, 재현율, F1-score에서 유의미한 향상을 보였다. 이러한 결과는 역동적이고 도전적인 직물 인식 상황에서 모델이 신뢰성 있게 수행할 수 있음을 확인한다.

학습을 적용한 많은 모델이 우수한 성능을 보임에도 불구하고, 학습에 사용되는 데이터셋 또는 이미지 생성 및 전송 과정에는 잡음이 포함될 수 있으며, 이는 기대되는 결과와 성능을 도출할 수 없다. 딥 신경망을 이용한 대표적인 이미지 복원(denoising) 기법은 원본 이미지에 강제로 특수 잡음을 추가하고, 그 잡음이 추가된 이미지를 원본 이미지와 동일하게 만들도록 학습하여 잡음이 포함된 이미지를 생성한다. 그러나 딥 신경망의 성능은 네트워크 깊이에 의존하며, 성능을 향상시키기 위해서만 깊이를 증가시키면 성능 포화 상태에 도달하여 어려움에 직면하게 된다. 이러한 문제를 개선하기 위해, 본 논문은 불필요한 정보를 억제하고 중요한 정보만을 강조하는 기능을 제공하기 위해, 대표적인 복원 딥러닝 모델인 U-Net에 멀티스케일 어텐션(Multi-scale Attention) 모델을 적용한다. 새로운 모듈형 접근에서, 주어진 입력 값은 내부적 관계를 기준으로 두 부분으로 분할되며, 하나는 중요한 부분이 집중된 영역이고 다른 하나는 공간 정보를 통해 중요한 부분이 집중되도록 하는 영역이다. 병렬 실행 후 두 부분을 결합하는 Outburst 구조 기반의 어텐션 단위를 구현하였고, 그 결과 기존 모델보다 더 나은 성능을 보였다. 또한 PSNR과 SSIM을 통해서만이 아니라 구성 요소의 효과에 초점을 맞추어, 다른 모델들에 비해 더 많은 공간 특징 맵(spatial feature maps)을 추가 파라미터를 과도하게 늘리지 않고 생성한다. 향상된 성능은 잡음이 포함된 이미지에서 잡음을 제거하는 과정을 통해서도 확인되었다.

데이터 수집이 제한적인 상황(예: 화재 탐지)에서는 소수의 라벨이 부여된 소량 데이터만으로 탐지율을 향상시키기 어렵다. 따라서 많은 관련 연구가 수행되었으며, 그중에서도 준지도 학습 방법이 탐지율 향상에 있어 좋은 성과를 보였다. 최근의 대부분 준지도 학습 모델은 의사 라벨(pseudo-label) 방법을 사용한다. 그러나 오라벨(false labels)로 인해 실제 라벨 분포에서 벗어난 샘플에 대해서는 정확하게 라벨링하기가 어렵다는 문제가 있다. 다시 말해, 데이터 증강에 사용되는 의사 라벨로 인해 잘못된 편향이 누적될 수 있으며, 이는 최종 가중치에 부정적인 영향을 미칠 수 있다. 이를 개선하기 위해 우리는 예측 결과 라벨링 값과 정답 값이 유사한 Similar-labeled 데이터를 생성하는 방법을 제안하였고, 초기 학습 동안 비디오에서 F-guessed 방법과 관심 영역(Region of Interest, ROI) 표현 방법을 통해 이를 적용하였다. 이 방법은 초기 단계에서 편향이 왜곡되는 것을 방지하는 효과가 있다. 그 결과, 데이터 생성량이 초기 라벨 데이터 5,565에서 41,712로 약 6.5배 증가하였고, mAP@0.5는 65.9%에서 92.0%로 약 26.1% 향상되었으며, 손실(loss)은 3.347에서 1.69로 개선되었다.

현재의 직물(섬유) 인식 기법들은 제한된 적응성과 일반화 능력으로 인해 복잡한 실제 환경에서 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 본 논문은 훈련 및 테스트 데이터셋에 세 가지 서로 다른 증강(augmentation) 방법을 적용하는 혁신적인 데이터 처리 프레임워크를 제안한다. 이 접근은 다양한 조건에서 직물을 인식하는 모델의 능력을 향상시킨다. 또한 조기 신경 주의(Early Neural Attention, ENA)를 통합하여 초기 단계에서 필수 이미지 특징에 집중하도록 설계된 최적화된 MobileNetV3 모델을 제안한다. 더 나아가 기존 병목(bottleneck) 구조를 수정하고, ReLU 활성화 함수를 SELU로 대체하여 강건성 및 수렴 속도를 개선한다. 비교 실험을 통해 개선된 모델의 효과가 검증되었으며, 정확도, 정밀도, 재현율, F1-score에서 유의미한 향상을 보였다. 이러한 결과는 역동적이고 도전적인 직물 인식 상황에서 모델이 신뢰성 있게 수행할 수 있음을 확인한다.

학습을 적용한 많은 모델이 우수한 성능을 보임에도 불구하고, 학습에 사용되는 데이터셋 또는 이미지 생성 및 전송 과정에는 잡음이 포함될 수 있으며, 이는 기대되는 결과와 성능을 도출할 수 없다. 딥 신경망을 이용한 대표적인 이미지 복원(denoising) 기법은 원본 이미지에 강제로 특수 잡음을 추가하고, 그 잡음이 추가된 이미지를 원본 이미지와 동일하게 만들도록 학습하여 잡음이 포함된 이미지를 생성한다. 그러나 딥 신경망의 성능은 네트워크 깊이에 의존하며, 성능을 향상시키기 위해서만 깊이를 증가시키면 성능 포화 상태에 도달하여 어려움에 직면하게 된다. 이러한 문제를 개선하기 위해, 본 논문은 불필요한 정보를 억제하고 중요한 정보만을 강조하는 기능을 제공하기 위해, 대표적인 복원 딥러닝 모델인 U-Net에 멀티스케일 어텐션(Multi-scale Attention) 모델을 적용한다. 새로운 모듈형 접근에서, 주어진 입력 값은 내부적 관계를 기준으로 두 부분으로 분할되며, 하나는 중요한 부분이 집중된 영역이고 다른 하나는 공간 정보를 통해 중요한 부분이 집중되도록 하는 영역이다. 병렬 실행 후 두 부분을 결합하는 Outburst 구조 기반의 어텐션 단위를 구현하였고, 그 결과 기존 모델보다 더 나은 성능을 보였다. 또한 PSNR과 SSIM을 통해서만이 아니라 구성 요소의 효과에 초점을 맞추어, 다른 모델들에 비해 더 많은 공간 특징 맵(spatial feature maps)을 추가 파라미터를 과도하게 늘리지 않고 생성한다. 향상된 성능은 잡음이 포함된 이미지에서 잡음을 제거하는 과정을 통해서도 확인되었다.

데이터 수집이 제한적인 상황(예: 화재 탐지)에서는 소수의 라벨이 부여된 소량 데이터만으로 탐지율을 향상시키기 어렵다. 따라서 많은 관련 연구가 수행되었으며, 그중에서도 준지도 학습 방법이 탐지율 향상에 있어 좋은 성과를 보였다. 최근의 대부분 준지도 학습 모델은 의사 라벨(pseudo-label) 방법을 사용한다. 그러나 오라벨(false labels)로 인해 실제 라벨 분포에서 벗어난 샘플에 대해서는 정확하게 라벨링하기가 어렵다는 문제가 있다. 다시 말해, 데이터 증강에 사용되는 의사 라벨로 인해 잘못된 편향이 누적될 수 있으며, 이는 최종 가중치에 부정적인 영향을 미칠 수 있다. 이를 개선하기 위해 우리는 예측 결과 라벨링 값과 정답 값이 유사한 Similar-labeled 데이터를 생성하는 방법을 제안하였고, 초기 학습 동안 비디오에서 F-guessed 방법과 관심 영역(Region of Interest, ROI) 표현 방법을 통해 이를 적용하였다. 이 방법은 초기 단계에서 편향이 왜곡되는 것을 방지하는 효과가 있다. 그 결과, 데이터 생성량이 초기 라벨 데이터 5,565에서 41,712로 약 6.5배 증가하였고, mAP@0.5는 65.9%에서 92.0%로 약 26.1% 향상되었으며, 손실(loss)은 3.347에서 1.69로 개선되었다.

복잡하고 역동적인 실제 환경에서 기존 직물 인식 알고리즘의 한계를 해결하기 위해, 본 논문은 혁신적인 데이터 처리 전략을 제안한다. 제안하는 접근법은 세 가지 서로 다른 데이터 증강 기법을 각각 학습 및 테스트 데이터셋에 독립적으로 적용하여, 다양한 실제 상황을 시뮬레이션함으로써 모델의 일반화 성능과 견고성을 향상시키는 것을 목표로 한다. 본 연구에서는 향상된 MobileNetV3 아키텍처를 기반으로 한 새로운 직물 인식 알고리즘을 제안한다. 주요 수정 사항에는 네트워크 입력 단계에서 Early Neural Attention(ENA)을 통합하는 것, 재설계된 병목(bneck) 구조, 그리고 ReLU 활성화 함수의 Scaled Exponential Linear Unit(SELU)로의 대체가 포함된다. 이러한 수정은 복잡한 직물 패턴을 인식하는 데 있어 모델의 성능을 유의미하게 향상시킨다. 제안 모델의 일반화 능력을 검증하기 위해, 동일한 데이터 증강 기법을 학습 및 테스트 데이터셋 모두에 적용하고 기존 및 개선된 MobileNetV3의 성능을 비교한다. 실험 결과는 정확도 및 정밀도와 같은 핵심 성능 지표에서 상당한 개선을 보여주며, 이는 실제 직물 인식 시나리오에서 향상된 모델의 효과성과 적응성을 확인해준다.

최근 빈번하게 발생하는 화재를 인공지능 및 머신러닝 기법을 활용하여 조기에 감지하고 효과적인 대응에 초점을 맞춘 연구들이 활발히 진행되고 있다. 화재 영상에서 복잡한 배경 및 환경 요인의 불확실성으로 인해 불꽃 또는 연기 영역을 더욱 정확하게 검출할 수 있는 기법이 요구된다. 본 논문에서는 Attention 기반 BiFPN 구조의 ResNet 알고리즘을 제안한다. 화재영역을 정확하게 검출하기 위하여 어텐션 메커니즘과 척도 불변 BiFPN 구조를 유기적으로 결합하여 객체와 배경정보를 분리함과 동시에 서로간의 연관성 유지를 통해 불필요한 정보를 제거하고, 필요한 정보만을 강조함으로써 불꽃 및 연기 영역검출 결과가 객체 크기와 상관없이 일관된 정확도를 유지하는 방법을 제안한다. 실험을 통해 불꽃은 98%의 정확도와 98.67%의 정밀도, 연기는 96.67%의 정확도와 96.67%의 정밀도의 화재 검출에 대한 평가 결과를 확인하였다.